IA Aplicada a Cuidados Paliativos mediante Small Language Model
Plataforma: Python, Small Language Models, Phi-3 y análisis clínico
Tipo: Investigación científica / IA aplicada en salud
Fecha: 2025
Publicación: https://ascopubs.org/doi/full/10.1200/GO-24-00432
DOI: https://doi.org/10.1200/GO-24-00432
Resumen
Este proyecto corresponde a una colaboración de investigación publicada en JCO Global Oncology / ASCO Publications, orientada a evaluar el uso de inteligencia artificial para identificar carga sintomática oculta en pacientes de cuidados paliativos a partir de visitas no programadas.
El estudio utilizó un Small Language Model basado en Phi-3 para analizar narrativas clínicas y diferenciar visitas no programadas motivadas por síntomas no controlados de visitas administrativas o rutinarias.
Mi participación se concentró en el componente técnico de inteligencia artificial, procesamiento de información y aplicación del modelo de lenguaje. La interpretación clínica de los resultados estuvo a cargo de Javier Retamales y del equipo clínico participante.
Contexto
En cuidados paliativos, las visitas no programadas pueden reflejar necesidades clínicas que no siempre quedan capturadas de forma explícita en los registros estructurados.
Algunas visitas pueden estar motivadas por trámites administrativos, lectura de exámenes o renovación de recetas. Otras, en cambio, pueden estar asociadas a síntomas no controlados que requieren atención clínica.
El desafío del estudio fue analizar narrativas clínicas para identificar cuándo una visita no programada estaba impulsada o acompañada por síntomas relevantes.
Problema
Los registros clínicos contienen información valiosa, pero gran parte de esa información se encuentra en texto libre o narrativas escritas por distintos profesionales de salud.
Esto genera tres dificultades principales:
- Distinguir visitas administrativas de visitas asociadas a síntomas.
- Identificar carga sintomática no evidente en datos estructurados.
- Procesar grandes volúmenes de registros clínicos manteniendo confidencialidad y trazabilidad.
El objetivo técnico fue apoyar el análisis mediante un modelo de lenguaje capaz de clasificar visitas no programadas según la presencia de síntomas.
Privacidad y uso de LLM privado
Dado que el proyecto trabajaba con información clínica sensible, se debía utilizar un modelo privado/local para resguardar la privacidad de los datos.
Esta decisión era necesaria incluso considerando que la información había sido anonimizada previamente.
El uso de un modelo privado permitió mantener mayor control sobre el procesamiento, reducir exposición de información clínica y evitar depender de servicios externos para analizar textos sensibles.
Arquitectura conceptual
El flujo general del proyecto combinó auditoría clínica, procesamiento de lenguaje natural y análisis estadístico.
Magnitud del estudio
El estudio analizó registros de visitas de una unidad ambulatoria de cuidados paliativos.
| Indicador | Valor reportado |
|---|---|
| Visitas totales analizadas | 25.867 |
| Visitas no programadas | 7.036 |
| Muestra auditada por médicos | 384 |
| Exactitud del modelo | 95,3% |
| Sensibilidad del modelo | 99,4% |
| Visitas no programadas asociadas a síntomas | 85,7% |
Resultado principal
El modelo permitió identificar que una proporción relevante de las visitas no programadas estaba asociada a síntomas.
Este resultado permitió evidenciar una carga sintomática oculta que podía no ser visible únicamente mediante revisión de datos administrativos o registros estructurados.
Rendimiento del modelo
La validación se realizó comparando el modelo con una auditoría médica utilizada como referencia.
El desempeño reportado mostró que un Small Language Model podía ser suficientemente efectivo para apoyar el análisis de narrativas clínicas sin requerir una infraestructura excesivamente compleja.
Mi participación
Participé como colaborador técnico en la aplicación de inteligencia artificial al problema clínico.
Mis responsabilidades se concentraron en:
- Apoyo técnico en el uso de modelos de lenguaje.
- Procesamiento y estructuración de información para análisis.
- Aplicación del modelo sobre narrativas clínicas.
- Preparación de resultados utilizables para revisión clínica.
- Colaboración en la transformación del problema clínico en un flujo computacional reproducible.
La interpretación clínica, análisis médico y lectura de resultados fueron liderados por Javier Retamales y el equipo clínico.
Desafíos técnicos
Privacidad de datos clínicos
El principal requisito técnico fue mantener el procesamiento dentro de un entorno privado, incluso trabajando con datos anonimizados.
Esto obligó a evitar soluciones dependientes de servicios externos y priorizar una arquitectura controlada.
Texto clínico no estructurado
Las narrativas clínicas pueden contener información heterogénea, redactada por distintos profesionales y con distintos niveles de detalle.
El modelo debía ayudar a identificar síntomas aun cuando estos no aparecieran como campos estructurados.
Validación frente a criterio médico
El modelo no podía evaluarse solo desde una perspectiva técnica. Su utilidad dependía de compararse contra revisión médica, que actuó como referencia para validar la clasificación.
Tecnologías utilizadas
- Python
- Phi-3
- Small Language Models
- Procesamiento de lenguaje natural
- Análisis de texto clínico
- Procesamiento privado/local
- Análisis estadístico
- Auditoría médica
Impacto
El proyecto permitió demostrar que modelos de lenguaje pequeños pueden apoyar el análisis de registros clínicos no estructurados en contextos sensibles.
Más allá del resultado técnico, el valor principal estuvo en mostrar que la inteligencia artificial puede ayudar a descubrir carga sintomática no evidente en datos administrativos, apoyando una mejor asignación de recursos clínicos y una comprensión más profunda de las necesidades de pacientes en cuidados paliativos.
Lo que aprendí
Este proyecto reforzó la importancia de aplicar inteligencia artificial en salud con criterios estrictos de privacidad, trazabilidad y validación clínica.
También mostró que el valor de un modelo no está solamente en su capacidad de clasificar texto, sino en su integración con conocimiento médico experto y con una pregunta clínica relevante.
La colaboración técnica-clínica fue central: el modelo podía procesar información a escala, pero la interpretación y validación de los resultados requería conocimiento médico especializado.
Viéndolo en retrospectiva
Este proyecto representa una de mis colaboraciones más relevantes en inteligencia artificial aplicada a salud.
A diferencia de otros proyectos centrados en automatización o extracción documental, este trabajo terminó formando parte de una publicación científica internacional, conectando procesamiento de lenguaje natural, privacidad de datos clínicos y análisis de cuidados paliativos.
También consolidó una línea de trabajo que considero especialmente importante: el uso responsable de IA en dominios sensibles, donde la tecnología debe estar al servicio de especialistas y no reemplazar la interpretación experta.
Publicación
Leveraging Artificial Intelligence to Uncover Symptom Burden in Palliative Care: Analysis of Nonscheduled Visits Using a Phi-3 Small Language Model
Publicado en JCO Global Oncology / ASCO Publications.